CN107358323A - 一种短期光伏发电的功率预测方法 - Google Patents
一种短期光伏发电的功率预测方法 Download PDFInfo
- Publication number
- CN107358323A CN107358323A CN201710571782.8A CN201710571782A CN107358323A CN 107358323 A CN107358323 A CN 107358323A CN 201710571782 A CN201710571782 A CN 201710571782A CN 107358323 A CN107358323 A CN 107358323A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic generation
- photovoltaic
- irradiation level
- generation power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 19
- 238000010248 power generation Methods 0.000 claims abstract description 12
- 230000003203 everyday effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002354 daily effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 238000012797 qualification Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000001629 suppression Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于数据预处理与特征表示的多核支持向量机短期光伏发电的功率预测方法,首先利用小波阈值分析对数据进行去噪预处理,然后对辐照度进行特征表示,提取特征参数,并进行SOM与k‑means结合的二次聚类选取相似日,最后采用多核函数支持向量机进行短期光伏发电功率预测。本发明能够实现在仅有辐照度与光伏发电功率数据条件下的较高精度光伏发电预测,考虑光伏发电功率与辐照度的多源特性、波动特性、毛刺特性并做出相应处理,有效提高了光伏发电功率预测精度。
Description
技术领域
本发明涉及一种基于数据预处理与特征表示的多核支持向量机短期光伏发电的功率预测方法,属于数据挖掘与新能源领域。
背景技术
为缓解能源危机,光伏发电技术和光伏产业得到快速发展。光伏发电功率易受自然环境因素的影响,具有间歇性、随机性,高精度的光伏发电功率预测能够减小大规模光伏发电并网后给电网带来的冲击,而选择理想的预测模型和完整的预测技术是光伏发电功率预测可靠性的重要保证。同时良好的数据预处理能提高预测的精度,并有利于预测模型的实现。
目前光伏预测方法主要有神经网络、单核支持向量机、统计方法预测、回归模型预测等。以上方法存在如下缺陷:(1)考虑气象因素的方法都需要各种类型数据,如辐照度、温度、湿度、风速等,而只利用光伏功率进行预测则精度较低;(2)考虑多影响因素时,没有考虑这些因素的多源特性,比如目前应用支持向量机进行光伏预测大都是基于单核,不能体现光伏预测中不同数据源的不同特征;(3)相关的数据预处理大都只进行归一化等,简单粗糙。
由于有的光伏电站存储数据容量有限,只存储了辐照度与光伏发电功率,并没有其他相关气象数据,此时进行光伏预测就会有较大的误差。
发明内容
本发明的目的是克服上述现有技术的不足,提供一种基于数据预处理与特征表示的多核支持向量机短期光伏发电的功率预测方法,该方法通过数据预处理、辐照度特征表示的二次聚类、多核支持向量机来进行短期光伏发电功率预测,以解决在没有气温、降雨、湿度等气象数据,只有辐照度与光伏发电功率,且数据具有毛刺性、多源性的光伏预测问题,提高预测精度。
为解决上述技术问题本发明的技术解决方案如下:
一种基于数据预处理与特征表示的多核支持向量机短期光伏发电的功率预测方法,具体步骤如下:
步骤1、数据采集:从光伏电站的气象站采集辐照度数据,得到原始辐照度数据集合,从光伏电站数据存储中心采集历史光伏发电功率数据,得到原始光伏发电功率数据集合;
步骤2、数据预处理:对所述的历史光伏发电功率数据、历史辐照度数据进行去噪处理,具体步骤如下:
2A.利用db4离散小波信号分别对所述的历史光伏发电功率数据和历史辐照度数据进行三层小波分解,得到频率和时间不同的小波系数;
2B.利用软阈值函数,根据设定的阈值T分别对所述的历史光伏发电功率数据和历史辐照度数据进行去噪,得到估计小波系数;
2C.对估计小波系数进行db4离散小波反变换处理,得到去噪后的光伏发电功率数据集合和辐照度数据集合;
2D.用零替代去噪后的光伏发电功率数据集合和辐照度数据集合中值为负值的数据,得到最终去噪光伏发电功率数据集合和最终去噪辐照度数据集合;
步骤3、基于辐照度特征表示二次聚类的相似日选择,具体步骤如下:
3A.分别从最终去噪光伏发电功率数据集合和最终去噪辐照度数据集合中选取待预测日的前一年的数据,得到待聚类光伏发电功率集合和待聚类辐照度集合,两个集合所含天数均为A;
3B.对待聚类光伏发电功率集合中每一天的样本,计算日最大光伏发电功率、日平均光伏发电功率;对待聚类辐照度集合每一天的样本进行特征表示参数提取,计算每天的晴朗指数、辐照度最大值、辐照度方差、辐照度平均值、辐照度三阶差分最大值、辐照度归一化离散差;
将计算得到每一天的八个参数形成待聚类特征参数集合;
3C.确定聚类种类数目B,B>1且为整数,对待聚类特征参数集合进行SOM聚类,得到聚类权值;
3D.将步骤3C中的聚类权值作为k-means聚类的初始聚类中心,进行二次聚类,得到待预测日的相似日光伏发电功率数据集合、相似日辐照度集合;
步骤4、基于多核支持向量机的短期光伏发电功率预测,具体步骤如下:
4A.数据归一化:对步骤3D得到的相似日光伏发电功率数据集合、相似日辐照度集合进行数据归一化处理;
4B.选择多核函数:在线性核函数、多项式核函数、高斯核函数与Sigmoid核函数中两两选择,共六种多核函数组合;
4C.光伏发电功率预测:根据步骤4B中的每种多核函数组合下的支持向量机进行光伏发电功率预测,得到光伏功率预测值PPi;
4D.计算误差,公式如下:
式中,PMi为光伏功率实际值,n为每天的预测样本点数;
4E.比较误差大小,确定最佳多核函数组合与最佳光伏功率预测值。
与传统技术相比,本发明的有益效果是:
传统光伏发电功率预测方法,模型需要各种类型的气象因素,在仅仅只有辐照度与历史光伏发电功率时模型预测精度不高,本发明提取辐照度的特征参数,这些特征参数在一定程度上表明了当天天气状况,通过对这些特征参数聚类选取相似日,能够实现在仅有辐照度与光伏发电功率数据条件下的较高精度光伏发电预测,同时用小波阈值去噪、考虑数据多源特性的多核支持向量机进行预测,能够进一步提高光伏发电预测精度。
附图说明
图1是本发明多核支持向量机短期光伏发电的功率预测方法流程图。
图2是光伏发电功率、辐照度小波阈值去噪测流程图。
图3是辐照度特征表示的二次聚类流程图。
具体实施方式
为使本发明更明显易懂,配合附图作详细说明如下,
一种基于数据预处理与特征表示的多核支持向量机短期光伏发电预测方法,流程如图1所示,具体步骤如下:
步骤1、数据采集;从待预测的光伏电站的数据采集系统中采集历史光伏发电功率数据、辐照度数据,得到原始光伏发电功率数据集合、原始辐照度数据集合,比如采集历史光伏功率数据Ps,i,组成原始光伏发电功率数据集合Pi={P1,i,P2,i,…,PN,i},采集辐照度数据Gs,i,组成原始辐照度数据集合G,={G1,i,G2,i,…,GN,i},其中N为一天24小时的采样点个数,i=1,2,·…,T为采样天数;
步骤2、数据预处理:对历史光伏发电功率数据、辐照度数据进行去噪处理,流程如图2所示,具体步骤如下:
2A.应用db4离散小波函数,对原始光伏发电功率数据集合、原始辐照度数据集合分别进行三层小波分解,得到频率和时间不同的小波系数wj,k,其中j为离散小波变换的频率,k为离散小波变换的时间变量;利用软阈值函数,选定阈值T,对原始光伏发电功率数据、辐照度数据进行去噪,得到估计小波系数软阈值函数如下:
基于各尺度估计小波系数采用离散小波反变换,得到去噪后的光伏发电功率、辐照度集合;
2B.用零替代去噪后的光伏发电功率数据集合和辐照度数据集合中值为负值的数据,得到最终去噪光伏发电功率集合、最终去噪辐照度集合;
步骤3、基于辐照度特征表示二次聚类的相似日选择,流程如图3所示,具体步骤如下:
3A.分别从最终去噪光伏发电功率集合、最终去噪辐照度集合中选取待预测日前一年的数据,得到待聚类光伏发电功率集合和待聚类辐照度集合,两个集合所含天数均为A;3B.对待聚类光伏发电功率集合中每一天的样本,计算日最大光伏发电功率、日平均光伏发电功率;对待聚类辐照度集合每一天的样本进行特征表示参数提取,计算每天的晴朗指数、辐照度最大值、辐照度方差、辐照度平均值、辐照度三阶差分最大值、辐照度归一化离散差;将计算的这每一天的8个参数形成待聚类特征参数集合;
晴朗指数:
辐照度方差:
辐照度归一化离散差:
式中,Gs,i为辐照度采样值;N为一天24小时内的采样点个数;G0,i为时间间隔与辐照度相同的对应的地外辐照度理论计算值。
3C.确定聚类种类数目B,B>1且为整数,比如令B=20,对待聚类特征参数集合进行SOM聚类,得到聚类权值;
3D.将3C中的聚类权值作为k-means聚类的初始聚类中心,进行二次聚类,得到待预测日的相似日光伏发电功率数据集合、相似日辐照度集合;
步骤4、基于多核支持向量机的短期光伏发电功率预测,具体步骤如下:
4A.数据归一化:对3D中得到的相似日光伏发电功率数据集合、相似日辐照度集合进行数据归一化处理;
4B.选择多核函数:在线性核函数、多项式核函数、高斯核函数与Sigmoid核函数中两两选择,共六种多核函数组合;
4C.光伏发电功率预测:利用4B中的每种多核函数组合下的支持向量机进行光伏发电功率预测,得到预测结果PPi;
4D.计算误差,公式如下:
式中,PMi为光伏功率实际值;n为每天的预测样本点数。
4E.通过比较误差大小,最终得到最佳多核函数组合与最佳预测结果。
本发明的意义表现在:(1)无需其他类型天气数据,可以仅仅利用辐照度、光伏功率数据进行光伏发电预测,且精度较高;(2)考虑了辐照度与功率数据的多源特性;(3)对具有波动特性、毛刺特性的光伏功率与辐照度进行小波阈值去噪,进一步提高预测精度。
Claims (3)
1.一种短期光伏发电的功率预测方法,其特征在于,采用辐照度数据与光伏发电功率数据进行光伏发电预测,即首先采用小波阈值去噪对数据进行预处理,其次提取辐照度的特征表示参数,采用二次聚类选择待预测日的相似日,最后利用多核支持向量机实现对光伏发电功率的实时预测。
2.如权利要求1所述的短期光伏发电的功率预测方法,其特征在于,具体包括如下步骤:
步骤1、数据采集:从光伏电站的气象站采集辐照度数据,得到原始辐照度数据集合,从光伏电站数据存储中心采集历史光伏发电功率数据,得到原始光伏发电功率数据集合;
步骤2、数据预处理:
2A.利用db4离散小波信号分别对所述的历史光伏发电功率数据和历史辐照度数据进行三层小波分解,得到频率和时间不同的小波系数;
2B.利用软阈值函数,根据设定的阈值T分别对所述的历史光伏发电功率数据和历史辐照度数据进行去噪,得到估计小波系数;
2C.对估计小波系数进行db4离散小波反变换处理,得到去噪后的光伏发电功率数据集合和辐照度数据集合;
2D.用零替代去噪后的光伏发电功率数据集合和辐照度数据集合中值为负值的数据,得到最终去噪光伏发电功率数据集合和最终去噪辐照度数据集合;
步骤3、基于辐照度特征表示二次聚类的相似日选择,具体步骤如下:
3A.分别从最终去噪光伏发电功率数据集合和最终去噪辐照度数据集合中选取待预测日的前一年的数据,得到待聚类光伏发电功率集合和待聚类辐照度集合,两个集合所含天数均为A;
3B.对待聚类光伏发电功率集合中每一天的样本,计算日最大光伏发电功率、日平均光伏发电功率;对待聚类辐照度集合每一天的样本进行特征表示参数提取,计算每天的晴朗指数、辐照度最大值、辐照度方差、辐照度平均值、辐照度三阶差分最大值、辐照度归一化离散差;
将计算得到每一天的八个参数形成待聚类特征参数集合;
3C.确定聚类种类数目B,B>1且为整数,对待聚类特征参数集合进行SOM聚类,得到聚类权值;
3D.将步骤3C中的聚类权值作为k-means聚类的初始聚类中心,进行二次聚类,得到待预测日的相似日光伏发电功率数据集合、相似日辐照度集合;
步骤4、基于多核支持向量机的短期光伏发电功率预测,具体步骤如下:
4A.数据归一化:对步骤3D得到的相似日光伏发电功率数据集合、相似日辐照度集合进行数据归一化处理;
4B.选择多核函数:在线性核函数、多项式核函数、高斯核函数与Sigmoid核函数中两两选择,共六种多核函数组合;
4C.光伏发电功率预测:根据步骤4B中的每种多核函数组合下的支持向量机进行光伏发电功率预测,得到光伏功率预测值PPi;
4D.计算误差,公式如下:
<mrow>
<mi>M</mi>
<mi>A</mi>
<mi>P</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>M</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>P</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>M</mi>
<mi>i</mi>
</mrow>
</msub>
</mfrac>
<mo>|</mo>
</mrow>
<mi>n</mi>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
式中,PMi为光伏功率实际值,n为每天的预测样本点数;
4E.比较误差大小,确定最佳多核函数组合与最佳光伏功率预测值。
3.根据权利要求2所述的多核支持向量机短期光伏发电的功率预测方法,其特征在于,所述的特征表示参数包括晴朗指数、辐照度最大值、辐照度方差、辐照度平均值、辐照度三阶差分最大值或辐照度归一化离散差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710571782.8A CN107358323A (zh) | 2017-07-13 | 2017-07-13 | 一种短期光伏发电的功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710571782.8A CN107358323A (zh) | 2017-07-13 | 2017-07-13 | 一种短期光伏发电的功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107358323A true CN107358323A (zh) | 2017-11-17 |
Family
ID=60292591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710571782.8A Pending CN107358323A (zh) | 2017-07-13 | 2017-07-13 | 一种短期光伏发电的功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358323A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009686A (zh) * | 2017-12-13 | 2018-05-08 | 阳光电源股份有限公司 | 一种光伏发电功率预测方法、装置及系统 |
CN109165792A (zh) * | 2018-09-14 | 2019-01-08 | 国网天津市电力公司 | 一种基于soa-wnn的光伏短期输出功率预测方法 |
CN110188964A (zh) * | 2019-06-06 | 2019-08-30 | 河北工业大学 | 一种基于相关性的光伏出力预测方法 |
CN116611544A (zh) * | 2023-04-10 | 2023-08-18 | 三峡大学 | 一种光伏发电功率预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN105760961A (zh) * | 2016-03-08 | 2016-07-13 | 广州供电局有限公司 | 光伏输出功率预测方法和系统 |
CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
-
2017
- 2017-07-13 CN CN201710571782.8A patent/CN107358323A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN105760961A (zh) * | 2016-03-08 | 2016-07-13 | 广州供电局有限公司 | 光伏输出功率预测方法和系统 |
CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
吴倩红等: "实现影响因素多源异构融合的短期符合预测支持向量机算法", 《电力系统自动化》 * |
谭海龙: "基于聚类分析与SVM的电力短期符合预测研究", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
郭瑞: "微网短期负荷预测中的白噪声分离", 《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009686A (zh) * | 2017-12-13 | 2018-05-08 | 阳光电源股份有限公司 | 一种光伏发电功率预测方法、装置及系统 |
CN109165792A (zh) * | 2018-09-14 | 2019-01-08 | 国网天津市电力公司 | 一种基于soa-wnn的光伏短期输出功率预测方法 |
CN110188964A (zh) * | 2019-06-06 | 2019-08-30 | 河北工业大学 | 一种基于相关性的光伏出力预测方法 |
CN116611544A (zh) * | 2023-04-10 | 2023-08-18 | 三峡大学 | 一种光伏发电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524993B (zh) | 用于中长期优化调度的风电光伏典型周出力场景生成方法 | |
CN107358323A (zh) | 一种短期光伏发电的功率预测方法 | |
CN109086928B (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
CN107194600A (zh) | 一种电力负荷季节特性分类方法 | |
CN108846527A (zh) | 一种光伏发电功率预测方法 | |
CN104573879A (zh) | 基于最优相似日集的光伏电站出力预测方法 | |
CN111598337B (zh) | 一种分布式光伏短期出力预测的方法 | |
CN109711609A (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN111475909B (zh) | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 | |
Bunnoon et al. | Mid-term load forecasting: Level suitably of wavelet and neural network based on factor selection | |
CN112288193A (zh) | 基于注意力机制的gru深度学习的海洋站表层盐度预测方法 | |
CN116911806B (zh) | 基于互联网+的电力企业能源信息管理系统 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN107798434A (zh) | 一种基于树回归的二次优化光伏发电功率预测值的实现方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN110674864A (zh) | 一种含同步相量量测装置的风电异常数据辨识方法 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN115577752A (zh) | 一种超短期光伏功率预测方法及系统 | |
CN115511657A (zh) | 一种基于组合预测模型的风电出力与光伏出力评估的方法 | |
CN115630726A (zh) | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN114298136A (zh) | 一种基于局域均值分解和深度学习神经网络的风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171117 |